Algumas dicas sobre formas e medidas de correlação

library(tidyverse)
library(GGally)
library(reshape)

Sobre forma e medida

Em análise exploratória, com frequência queremos examinar se há associação entre duas variáveis numéricas. Para descrever uma associação como essa, há pelo menos quatro características importantes:

1. Formato da associação: linear, exponencial, parabólica, linear e depois assintótica, outro formato arbitrário, etc.
2. Força da associação: correlação forte, fraca, nenhuma.
3. Sinal da associação: correlação positiva ou negativa, quando é perceptível.
4. Pontos extremos fora da associação.

Sumários x todos os pontos

Conselho importante: não há um número apenas que possa lhe responder tudo sobre a associação entre as duas variáveis. As medidas de correlação que você usará servirão mais para complementar e quantificar observações feitas em gráficos de dispersão do que para lhe guiar.

Um exemplo classico com quatro pares de variáveis cujas associações interessam: x1 e y1, x2 e y2, etc., o quarteto de Anscombe:

summary(anscombe)

       x1             x2             x3             x4           y1               y2              y3       
 Min.   : 4.0   Min.   : 4.0   Min.   : 4.0   Min.   : 8   Min.   : 4.260   Min.   :3.100   Min.   : 5.39  
 1st Qu.: 6.5   1st Qu.: 6.5   1st Qu.: 6.5   1st Qu.: 8   1st Qu.: 6.315   1st Qu.:6.695   1st Qu.: 6.25  
 Median : 9.0   Median : 9.0   Median : 9.0   Median : 8   Median : 7.580   Median :8.140   Median : 7.11  
 Mean   : 9.0   Mean   : 9.0   Mean   : 9.0   Mean   : 9   Mean   : 7.501   Mean   :7.501   Mean   : 7.50  
 3rd Qu.:11.5   3rd Qu.:11.5   3rd Qu.:11.5   3rd Qu.: 8   3rd Qu.: 8.570   3rd Qu.:8.950   3rd Qu.: 7.98  
 Max.   :14.0   Max.   :14.0   Max.   :14.0   Max.   :19   Max.   :10.840   Max.   :9.260   Max.   :12.74  
       y4        
 Min.   : 5.250  
 1st Qu.: 6.170  
 Median : 7.040  
 Mean   : 7.501  
 3rd Qu.: 8.190  
 Max.   :12.500  

# um pouco de rearrumação primeiro. 
# (para entender melhor, você pode procurar sobre dados em formato
# wide ou long no R)
t1 <- melt(select(anscombe, 1:4), id = c())
t2 <- melt(select(anscombe, 5:8), id = c())
names(t2) <- c("v2", "value2")
dados <- data.frame(vars = paste(t1$variable, "e", t2$v2), 
               v1 = t1$value, 
               v2 = t2$value2)

Calculando a correlação linear:

E se olharmos os dados?

ggplot(dados, aes(v1, v2)) + 
  geom_point(color = "darkorange", size = 4, alpha = 0.7) + 
  theme_bw() + 
  scale_x_continuous(breaks = seq(0, 20, 2)) + 
  scale_y_continuous(breaks = seq(0, 12, 2)) + 
  expand_limits(x = 0, y = 0) + 
  facet_wrap(~ vars)

Quatro relações diferentes, mesma quantificação. Para o segundo grupo, não há uma relação linear. No 3o, há uma relação perfeita entre a maioria das observações, com uma exceção. No 4o grupo não há relação; há uma exceção que faz parecer que há uma relação.

O que os outros coeficientes podem nos dizer?

dados %>% 
  group_by(vars) %>% 
  summarise(pearson = cor(v1, v2, method = "pearson"), 
            spearman = cor(v1, v2, method = "spearman"),
            kendall = cor(v1, v2, method = "kendall"))

---

Força e também direção

Dito isso, essa figura ajuda a lembrar a relação entre o valor esperado do coeficiente (linear) e vários tipos de associação entre duas variáveis:

da wikipedia

---

Alguns testes gerando a relação

Relação linear:

set.seed(123)
x <- rnorm(100) * 100
tamanho_do_erro <- 50
y <- 0.5 * x + rnorm(100) * tamanho_do_erro + 20
df <- data.frame(x = x, 
                 y = y)
ggplot(df, aes(x = x, y = y)) + 
  geom_point(colour = "darkgrey", size = 4) + 
  theme_bw()

cor(df$x, df$y, method = "pearson")

[1] 0.66713

# Dobro de erro em torno de uma função linear f(x)
df$y <- 0.5 * x + rnorm(100) * tamanho_do_erro * 2 + 20
ggplot(df, aes(x = x, y = y)) + 
  geom_point(colour = "darkgrey", size = 4) + 
  theme_bw()

cor(df$x, df$y, method = "pearson")

[1] 0.3339445

Relação não linear

n = 100
df <- data.frame(x = runif(n, min= 1, max = 20))
df$y = 100 * exp(-1.2 * df$x) #+ rnorm(n, mean = 0.05, sd = 1)
ggplot(df, aes(x = x, y = y)) + 
  geom_point(colour = "darkgrey", size = 4) 

ggplot(df, aes(x = x, y = y)) + 
  geom_point(colour = "darkgrey", size = 4) + 
  scale_y_log10()  

# tente descomentando o scale_y_log10 acima e veja o que acontece
  
cor(df$x, df$y)

[1] -0.540947

cor(df$x, df$y, method = "spearman")

[1] -1

cor(df$x, df$y, method = "kendall")

[1] -1

---

Dica prática

Quando considerando várias variáveis, o mais prático é usar uma matriz de gráficos de dispersão:

ggpairs(dados)

 plot: [1,1] [===-----------------------------------------------------------------------------]  4% est: 0s 
 plot: [1,2] [======--------------------------------------------------------------------------]  8% est: 3s 
 plot: [1,3] [==========----------------------------------------------------------------------] 12% est: 8s 
 plot: [1,4] [=============-------------------------------------------------------------------] 16% est: 8s 
 plot: [1,5] [================----------------------------------------------------------------] 20% est: 7s 
 plot: [2,1] [===================-------------------------------------------------------------] 24% est: 6s 
 plot: [2,2] [======================----------------------------------------------------------] 28% est: 6s 
 plot: [2,3] [==========================------------------------------------------------------] 32% est: 5s 
 plot: [2,4] [=============================---------------------------------------------------] 36% est: 4s 
 plot: [2,5] [================================------------------------------------------------] 40% est: 4s 
 plot: [3,1] [===================================---------------------------------------------] 44% est: 4s 
 plot: [3,2] [======================================------------------------------------------] 48% est: 4s 
 plot: [3,3] [==========================================--------------------------------------] 52% est: 4s 
 plot: [3,4] [=============================================-----------------------------------] 56% est: 3s 
 plot: [3,5] [================================================--------------------------------] 60% est: 3s 
 plot: [4,1] [===================================================-----------------------------] 64% est: 2s 
 plot: [4,2] [======================================================--------------------------] 68% est: 2s 
 plot: [4,3] [==========================================================----------------------] 72% est: 2s 
 plot: [4,4] [=============================================================-------------------] 76% est: 2s 
 plot: [4,5] [================================================================----------------] 80% est: 1s 
 plot: [5,1] [===================================================================-------------] 84% est: 1s 
 plot: [5,2] [======================================================================----------] 88% est: 1s 
 plot: [5,3] [==========================================================================------] 92% est: 1s 
 plot: [5,4] [=============================================================================---] 96% est: 0s 
 plot: [5,5] [================================================================================]100% est: 0s 
                                                                                                            

---

names(diamonds)

 [1] "carat"   "cut"     "color"   "clarity" "depth"   "table"   "price"   "x"       "y"       "z"      

ggplot(diamonds, aes(x = carat, y = price)) + 
  geom_hex()

ggplot(diamonds, aes(x = price)) + 
  geom_histogram() + 
  scale_x_log10()

ggpairs(dados)

 plot: [1,1] [===-----------------------------------------------------------------------------]  4% est: 0s 
 plot: [1,2] [======--------------------------------------------------------------------------]  8% est: 1s 
 plot: [1,3] [==========----------------------------------------------------------------------] 12% est: 3s 
 plot: [1,4] [=============-------------------------------------------------------------------] 16% est: 4s 
 plot: [1,5] [================----------------------------------------------------------------] 20% est: 4s 
 plot: [2,1] [===================-------------------------------------------------------------] 24% est: 4s 
 plot: [2,2] [======================----------------------------------------------------------] 28% est: 4s 
 plot: [2,3] [==========================------------------------------------------------------] 32% est: 4s 
 plot: [2,4] [=============================---------------------------------------------------] 36% est: 4s 
 plot: [2,5] [================================------------------------------------------------] 40% est: 3s 
 plot: [3,1] [===================================---------------------------------------------] 44% est: 3s 
 plot: [3,2] [======================================------------------------------------------] 48% est: 3s 
 plot: [3,3] [==========================================--------------------------------------] 52% est: 3s 
 plot: [3,4] [=============================================-----------------------------------] 56% est: 3s 
 plot: [3,5] [================================================--------------------------------] 60% est: 3s 
 plot: [4,1] [===================================================-----------------------------] 64% est: 2s 
 plot: [4,2] [======================================================--------------------------] 68% est: 2s 
 plot: [4,3] [==========================================================----------------------] 72% est: 2s 
 plot: [4,4] [=============================================================-------------------] 76% est: 2s 
 plot: [4,5] [================================================================----------------] 80% est: 1s 
 plot: [5,1] [===================================================================-------------] 84% est: 1s 
 plot: [5,2] [======================================================================----------] 88% est: 1s 
 plot: [5,3] [==========================================================================------] 92% est: 0s 
 plot: [5,4] [=============================================================================---] 96% est: 0s 
 plot: [5,5] [================================================================================]100% est: 0s